---
title: "¿Lo material determina la conciencia?: factores socioeconómicos y su impacto en la ideología política"
author: "Andrea Luján & Ricardo Asenjo"
output:
  flexdashboard::flex_dashboard:
    theme: united
    source_code: embed
---

1. Introducción {data-icon="fa-solid fa-lightbulb"}
===================================== 

Column {data-width=400}
-----------------------------------------------------------------------

```{r setup, include=FALSE}
library(stringi)
library(flexdashboard)
library(ggplot2)
library(dplyr)
library(ggthemes)
library(kableExtra)
library(plotly)
library(fontawesome)
library(rio)
library(DT)
library(vtable)
library(reshape2) 
library(tmap)
library(tidyverse)
library(modelsummary)
library(sf) 
library(psych)
library(matrixcalc)
htmltools::tagList(fontawesome::fa_html_dependency())

computeMuestra = function(...) return("Muestra")
computeDepartamentos = function(...) return(22)
computePersonas = function(...) return(1535)

setwd("C:/Users/RICARDO/OneDrive/Escritorio/Trabajo Final estadística")

##Creamos el dataframe

dataperu=import("Copia de datafinal.xlsx")

dataperu$IDEOLOGIA <- factor(dataperu$IDEOLOGIA, levels = c(0, 1), labels = c("Izquierda", "Derecha"))

tabla_distribucion1 <- table(dataperu$IDEOLOGIA , dataperu$REGION)

data.idio_prov_i <- as.data.frame(tabla_distribucion1)

colnames(data.idio_prov_i) <- c("Tendencia", "Region", "Frecuencia")
data.idio_prov_por_i <- data.idio_prov_i %>%
  group_by(Region, Tendencia) %>%
  summarise(Frecuencia = sum(Frecuencia)) %>%  
  mutate(Total_region = sum(Frecuencia),  
         Porcentaje = ifelse(Tendencia == "Izquierda", Frecuencia / Total_region * 100, NA))

data.idio_prov_por_izq<- data.idio_prov_por_i %>%
  filter(Tendencia == "Izquierda")##Creamos el dataframe

dataperu=import("Copia de datafinal.xlsx")

dataperu$IDEOLOGIA <- factor(dataperu$IDEOLOGIA, levels = c(0, 1), labels = c("Izquierda", "Derecha"))

tabla_distribucion1 <- table(dataperu$IDEOLOGIA , dataperu$REGION)

data.idio_prov <- as.data.frame(tabla_distribucion1)

colnames(data.idio_prov) <- c("Tendencia", "Region", "Frecuencia")
data.idio_prov_por_i <- data.idio_prov %>%
  group_by(Region, Tendencia) %>%
  summarise(Frecuencia = sum(Frecuencia)) %>%  
  mutate(Total_region = sum(Frecuencia),  
         Porcentaje = ifelse(Tendencia == "Izquierda", Frecuencia / Total_region * 100, NA))

data.idio_prov_por_izq<- data.idio_prov_por_i %>%
  filter(Tendencia == "Izquierda")
```

### Datos de la muestra
```{r}
muestra = computeMuestra()
valueBox(muestra, icon = "fa-solid fa-flask")
```

### Departamentos del Perú 

```{r}
departamentos = computeDepartamentos()
valueBox(departamentos, icon = "fas fa-earth-americas")
```

### Cantidad de personas entrevistadas

```{r}
personas = computePersonas()
valueBox(personas, icon = "fa-solid fa-person")
```

### Hipótesis

* **Problemática observada:** 
A partir de los resultados electorales de la votación presidencial de 2021, se evidenció la diferencia de elección por parte de Lima y la costa norte en relación al resto de provincias y la sierra sur. En base a esto, las regiones que prefirieron al candidato Pedro Castillo corresponden con zonas donde se encuentran la menor cantidad de servicios, menor presencial estatal y a su vez un índice de probreza mayor; de la misma manera, las zonas con mayores servicios y riqueza optaron por la candidata Keiko Fujimori. El presente trabajo busca encontrar relación entre los factores socioeconómicos de las personas de dichas regiones al momento de manifestar su tendencia ideológica.

* **Pregunta de investigación:**
¿Qué factores socioeconómicos influyen en la preferencia ideológica en Perú?

* **Justificación:**
Los resultados de esta investigación permitirán a los partidos políticos y candidatos ajustar sus estrategias políticas más precisas y adaptadas a las realidades socioeconómicas de los ciudadanos, lo cual ayudará a mejorar el nivel de la representación política y a diseñar políticas públicas que no solo sean más inclusivas, sino que cumplan con las expectativas de los peruanos, buscando así la cohesión social.

* **Hipótesis:**
En la presente investigación, nuestra hipótesis apunta a que las variables independientes como la situación económica de las personas, el área de residencia (rural o urbano), las opiniones sobre la calidad de servicios básicos (educación, salud y agua), el nivel de ingreso económico, el partido político por el cual votó en las elecciones de 2021 y el conocimiento político impactan en la variable dependiente de ideología política (Izquierda/Derecha). 


Column {data-width=400}{.tabset}
-----------------------------------------------------------------------

### Mapa de tendencia ideológica por departamento

```{r}
df_mapa <- data.idio_prov_por_izq[, c("Region", "Tendencia", "Porcentaje")]
nuevas_filas <- data.frame(
  Region = c("TUMBES", "MADRE DE DIOS"),
  Tendencia = c(NA, NA),
  Porcentaje = c(NA, NA)
)
df_mapa$Region <- toupper(df_mapa$Region)
df_mapa$Region <- stri_trans_general(df_mapa$Region, "Latin-ASCII")

df_mapa <- rbind(df_mapa, nuevas_filas)

map1 = df_mapa %>%
  group_by(Region,Porcentaje)

mapDEP1=sf::read_sf("DEPARTAMENTO.shp")

mapDEP3=merge(mapDEP1,map1,by.x='DEPARTAMEN',by.y='Region', all.x = T)
```

```{r}
tmap_mode("view") #Visualizamos el nuevo dataframe

mapDEP3$Porcentaje_rounded <- round(mapDEP3$Porcentaje, 2)
mapDEP3$Porcentaje_rounded[is.na(mapDEP3$Porcentaje_rounded)] <- "No disponible"

tm_shape(mapDEP3) +
  tm_fill("Porcentaje", id="DEPARTAMEN", palette = "Reds", style="quantile", title="% tendencia hacia la izquierda",popup.vars = c("DEPARTAMEN", "Porcentaje_rounded")) +
  tm_borders("grey25", alpha=.05) +
  tm_layout("Porcentaje de tendencia ideológica hacia la izquierda política por región", main.title.position = "center") + tm_view(view.legend.position = c("left","bottom")) 

tmap_last <- tmap_last()
```

### Tendencia ideológica en porcentaje por región

```{r}
data.idio_prov_por <- data.idio_prov %>%
  group_by(Region, Tendencia) %>%
  summarise(Frecuencia = sum(Frecuencia)) %>%  
  mutate(Total_region = sum(Frecuencia),
    Porcentaje = (Frecuencia / Total_region) * 100  
  )

data.idio_prov_por$Region <- factor(data.idio_prov_por$Region, 
                                    levels = data.idio_prov_por %>%
                                      filter(Tendencia == "Izquierda") %>%
                                      arrange(Porcentaje) %>%
                                      pull(Region))

graf60 = ggplot(data.idio_prov_por, aes(x = reorder(Region, Porcentaje), y = Porcentaje, fill = Tendencia)) +
  geom_bar(stat = "identity", width = 0.5) + 
  coord_flip() +  
  labs(title = "Tendencia ideológica por región",
       x = "Región", y = "Porcentaje",
       fill = "Tendencia ideológica",
       caption = "Barómetro de las Américas por LAPOP, 2023") +
    ylim(0, 100) +
  theme_classic() +
  theme(axis.text.x = element_text(angle = 0, hjust = 1))

graf60 + theme_fivethirtyeight()
gg60 <- ggplotly(graf60)
gg60

```


2. Análisis univariado {data-icon="fa-solid fa-chart-simple"}
===================================== 

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------

### Gráfico pie de Ideología

```{r}
pie_data <- dataperu %>% #dataframe
  group_by(IDEOLOGIA) %>%
  summarise(Frecuencia = n()) %>%
  mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)

pie_data_na <- pie_data %>% #quitamos na
  filter(!is.na(IDEOLOGIA))


graf_pie_plotly <- plot_ly(data = pie_data_na, #hacemos gráfico
                           labels = ~IDEOLOGIA, 
                           values = ~Frecuencia,   
                           type = 'pie', 
                           textinfo = 'none',  
                           hoverinfo = 'label+percent+value',
                           marker = list(colors = c('#ff9999', '#66b3ff')))%>%
  layout(title = "Gráfico pie de la variable Ideología",
         showlegend = TRUE)

graf_pie_plotly
```

### Tabla de frecuencias (sin NA)

```{r}
v_dep <- dataperu %>%
  select(IDEOLOGIA)

sumtable(v_dep, out = "return")%>%
  datatable(options = 
              list(c(scrollX=TRUE)))
```

Column {data-width=500}
-----------------------------------------------------------------------

### Variables de control
```{r}
v_ctrl <- dataperu %>%
  select(EDAD, GENERO)
```

```{r}
sumtable(v_ctrl, out = "return")%>%
  datatable(options = 
              list(c(scrollX=TRUE)))
```

### Variables independientes

```{r}
dataperu$CON_POL <- factor(dataperu$CON_POL,
                                      levels = c(0, 1, 2, 3, 4),
                                      labels = c("Muy bajo", "Bajo", "Ni alto ni bajo", "Alto", "Muy alto"))
```

```{r}
v_ind <- dataperu %>%
  select(SIT_ECO, AREA, INGRESO, CON_POL, VOTO21)
```

```{r}
sumtable(v_ind, out = "return")%>%
  datatable(options = 
              list(c(scrollX=TRUE)))
```


3. Pruebas estadísticas {data-icon="fa-solid fa-check"}
===================================== 

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------

### Chi cuadrado: ideología y género

```{r}
dataperu$GENERO <- factor(dataperu$GENERO, levels = c(0, 1), labels = c("Hombre", "Mujer"))
tabla_frecuencias1 <- table(dataperu$IDEOLOGIA, dataperu$GENERO) #Primero la tabla

tablachi1 <- matrix(c(454, 487, 302, 245), nrow = 2, byrow = TRUE,
                dimnames = list("IDEOLOGIA" = c("Izquierda", "Derecha"),
                                "GENERO" = c("Hombre", "Mujer"))) #Luego la matriz

df_tablachi1 <- as.data.frame(tablachi1) #Dataframe
df_tablachi1$GENERO <- rownames(df_tablachi1)
df_tablachi1 <- df_tablachi1[, c("GENERO", "Hombre", "Mujer")]

df_tablachi1 %>% #Visualización
  kable(caption = "Tabla de Contingencia: Ideología y género") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), 
                full_width = FALSE, position = "center",font_size = 14) %>%
  column_spec(1, bold = TRUE) %>% 
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")%>% 
  column_spec(2:3, width = "6em")
```

```{r}
resultadochi1 <- chisq.test(tablachi1)#La prueba chi

vis_chi1 <- data.frame( #El DF de la prueba
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(resultadochi1$statistic, resultadochi1$p.value)
)

vis_chi1 %>% #La visualización
  kable(caption = "Chi cuadrado: ideología y género") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
   column_spec(1, bold = TRUE) %>%  
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")
```

### Chi cuadrado: ideología y situación económica personal

```{r}
dataperu$SIT_ECO <- factor(dataperu$SIT_ECO, 
                                         levels = c(0, 1, 2), 
                                         labels = c("Peor", "Igual", "Mejor"))

tabla_frecuencias2 <- table(dataperu$IDEOLOGIA, dataperu$SIT_ECO)

tablachi2 <- matrix(c(607, 276, 58,  
                              312, 185, 50),  
                            nrow = 2, byrow = TRUE,
                            dimnames = list("IDEOLOGIA" = c("Izquierda", "Derecha"),
                                            "SITUACION ECONOMICA" = c("Peor", "Igual", "Mejor")))

df_tablachi2 <- as.data.frame(tablachi2) #Dataframe
df_tablachi2$SIT_ECO <- rownames(df_tablachi2)
df_tablachi2 <- df_tablachi2[, c("Peor", "Igual", "Mejor")]

df_tablachi2 %>% #Visualización
  kable(caption = "Tabla de Contingencia: Ideología y Situación económica") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), 
                full_width = FALSE, position = "center",font_size = 14) %>%
  column_spec(1, bold = TRUE) %>% 
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")%>% 
  column_spec(2:3, width = "6em")
```

```{r}
resultadochi2 <- chisq.test(tablachi2)

vis_chi2 <- data.frame( #El DF de la prueba
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(resultadochi2$statistic, resultadochi2$p.value)
)

vis_chi2 %>% #La visualización
  kable(caption = "Chi cuadrado: ideología y situación económica personal") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
   column_spec(1, bold = TRUE) %>%  
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")
```

### Chi cuadrado: ideología e ingreso mensual

```{r}
dataperu$INGRESO <- factor(dataperu$INGRESO,
                      levels = c(1101, 1102, 1103, 1104, 1105, 1106, 1107, 1108, 1109, 1110, 1111, 1112, 1113, 1114, 1115),
                      labels = c("Menos s/200", "Entre S/201 - S/350", "Entre S/351 - S/635", 
                                 "Entre S/636 – S/800", "Entre S/801 – S/980", "Entre S/981 – S/1,100",
                                 "Entre S/1,101 – S/ 1,294", "Entre S/1,295 – S/1,500", "Entre S/1,501 – S/1,611",
                                 "Entre S/1,612 – S/ 1,962", "Entre S/1,963 – S/2,399", "Entre S/2,400 – S/2,929", 
                                 "Entre S/2,930 – S/3,708", "Entre S/3,709 – S/5,136", "Más de S/5,136"))

tabla_frecuencias3 <- table(dataperu$IDEOLOGIA, dataperu$INGRESO)

tablachi3 <- matrix(c(74, 67, 78, 82, 95, 100, 72, 75, 38, 26, 38, 49, 31, 22, 21, 45, 24, 42, 40, 41, 46, 46, 29, 25, 28, 40, 28, 31, 26, 33),  
                            nrow = 2, byrow = TRUE,
                            dimnames = list("IDEOLOGIA" = c("Izquierda", "Derecha"),
                                            "AREA" = c("Menos s/200", "Entre S/201 - S/350", "Entre S/351 - S/635", 
                                 "Entre S/636 – S/800", "Entre S/801 – S/980", "Entre S/981 – S/1,100",
                                 "Entre S/1,101 – S/ 1,294", "Entre S/1,295 – S/1,500", "Entre S/1,501 – S/1,611",
                                 "Entre S/1,612 – S/ 1,962", "Entre S/1,963 – S/2,399", "Entre S/2,400 – S/2,929", 
                                 "Entre S/2,930 – S/3,708", "Entre S/3,709 – S/5,136", "Más de S/5,136")))


df_tablachi3 <- as.data.frame(tablachi3) #Dataframe
df_tablachi3$INGRESO <- rownames(df_tablachi3)
df_tablachi3 <- df_tablachi3[, c("Menos s/200", "Entre S/201 - S/350", "Entre S/351 - S/635", 
                                 "Entre S/636 – S/800", "Entre S/801 – S/980", "Entre S/981 – S/1,100",
                                 "Entre S/1,101 – S/ 1,294", "Entre S/1,295 – S/1,500", "Entre S/1,501 – S/1,611",
                                 "Entre S/1,612 – S/ 1,962", "Entre S/1,963 – S/2,399", "Entre S/2,400 – S/2,929", 
                                 "Entre S/2,930 – S/3,708", "Entre S/3,709 – S/5,136", "Más de S/5,136")]

df_tablachi3 %>% #Visualización
  kable(caption = "Tabla de Contingencia: Ideología e Ingreso mensual") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), 
                full_width = FALSE, position = "center",font_size = 14) %>%
  column_spec(1, bold = TRUE) %>% 
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")%>% 
  column_spec(2:3, width = "6em")
```

```{r}
resultadochi3 <- chisq.test(tablachi3)

vis_chi3 <- data.frame( #El DF de la prueba
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(resultadochi2$statistic, resultadochi2$p.value)
)

vis_chi3 %>% #La visualización
  kable(caption = "Chi cuadrado: ideología e ingreso mensual") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
   column_spec(1, bold = TRUE) %>%  
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")
```

### Chi cuadrado: ideología y voto en 2021

```{r}
tabla_frecuencias4 <- table(dataperu$IDEOLOGIA, dataperu$VOTO21)

tablachi4 <- matrix(c(18, 3, 31, 17, 38, 165, 9, 17, 4, 361, 6, 23, 3,
                      7, 3, 20, 34, 15, 113, 1, 9, 1, 147, 4, 32, 4),  
                            nrow = 2, byrow = TRUE,
                            dimnames = list("IDEOLOGIA" = c("Izquierda", "Derecha"),
                                            "VOTO EN 2021" = c("Acción Popular", "Alianza para el Progreso", "Anulado", "Avanza País", "Blanco", "Fuerza Popular", "Nuevo Perú", "Otro", "Partido Morado", "Perú Libre", "Podemos Perú", "Renovación Popular", "Victoria Nacional")))

tablachi4 <- matrix(c(18, 3, 31, 17, 38, 165, 9, 17, 4, 361, 6, 23, 3,
                      7, 3, 20, 34, 15, 113, 1, 9, 1, 147, 4, 32, 4),  
                            nrow = 2, byrow = TRUE,
                             dimnames = list("IDEOLOGIA" = c("Izquierda", "Derecha"),
                                            "VOTO EN 2021" = c("Acción Popular", "Alianza para el Progreso", "Anulado", "Avanza País", "Blanco", "Fuerza Popular", "Nuevo Perú", "Otro", "Partido Morado", "Perú Libre", "Podemos Perú", "Renovación Popular", "Victoria Nacional")))

df_tablachi4 <- as.data.frame(tablachi4) #Dataframe
df_tablachi4$VOTO21<- rownames(df_tablachi4)
df_tablachi4 <- df_tablachi4[, c("Acción Popular", "Alianza para el Progreso", "Anulado", "Avanza País", "Blanco", "Fuerza Popular", "Nuevo Perú", "Otro", "Partido Morado", "Perú Libre", "Podemos Perú", "Renovación Popular", "Victoria Nacional")]

df_tablachi4 %>% #Visualización
  kable(caption = "Tabla de Contingencia: Ideología y Voto 2021") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), 
                full_width = FALSE, position = "center",font_size = 14) %>%
  column_spec(1, bold = TRUE) %>% 
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")%>% 
  column_spec(2:3, width = "6em")
```

```{r}
resultadochi4 <- chisq.test(tablachi4)

vis_chi4 <- data.frame( #El DF de la prueba
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(resultadochi4$statistic, resultadochi4$p.value)
)

vis_chi4 %>% #La visualización
  kable(caption = "Chi cuadrado: ideología y voto en 2021") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
   column_spec(1, bold = TRUE) %>%  
  row_spec(0, bold = TRUE, color = "Black", background = "#eec1b1")
```

4. Regresiones {data-icon="fa-solid fa-wave-square"}
===================================== 

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------

### Regresión Logística: Variables de control

```{r}
modelo_logistico1 <- glm(IDEOLOGIA ~ EDAD + GENERO - 1, 
                        data = dataperu, 
                        family = binomial)
summary_modelo1 <- summary(modelo_logistico1)

coeficientes1 <- summary_modelo1$coefficients

resultados <- data.frame(
  Coeficiente = coeficientes1[, 1],
  Error_Estandar = coeficientes1[, 2],
  Valor_z = coeficientes1[, 3],
  p_value = format.pval(coeficientes1[, 4], digits = 4, eps = 1e-5)
)

rownames(resultados) <- rownames(coeficientes1)

resultados %>%
  kable(caption = "Resumen del Modelo Logístico (Ideología, Edad y Género)", digits = 4) %>%
  kableExtra::kable_styling(full_width = FALSE, position = "center") %>%
  kableExtra::kable_classic()
```


Column {data-width=500}{.tabset}
-----------------------------------------------------------------------

### Regresión Logística: Variables Independientes

```{r}
dataperu$AREA <- factor(dataperu$AREA, levels = c(0, 1), labels = c("Urbano", "Rural"))
modelo_logistico2 <- glm(IDEOLOGIA ~ AREA + GENERO + EDAD - 1, 
                        data = dataperu, 
                        family = binomial)

summary_modelo2 <- summary(modelo_logistico2)

coeficientes2 <- summary_modelo2$coefficients

resultados <- data.frame(
  Coeficiente = coeficientes2[, 1],
  Error_Estandar = coeficientes2[, 2],
  Valor_z = coeficientes2[, 3],
  p_value = format.pval(coeficientes2[, 4], digits = 4, eps = 1e-5),
  AIC= round(AIC(modelo_logistico2))
)

rownames(resultados) <- rownames(coeficientes2)

resultados %>%
  kable(caption = "Resumen del Modelo Logístico (Ideología, Área y variables de control)", digits = 4) %>%
  kableExtra::kable_styling(full_width = FALSE, position = "center") %>%
  kableExtra::kable_classic()
```

```{r}
modelo_logistico3 <- glm(IDEOLOGIA ~ VOTO21 + AREA + GENERO + EDAD - 1, 
                        data = dataperu, 
                        family = binomial)

summary_modelo3 <- summary(modelo_logistico3)

coeficientes3 <- summary_modelo3$coefficients

resultados <- data.frame(
  Coeficiente = coeficientes3[, 1],
  Error_Estandar = coeficientes3[, 2],
  Valor_z = coeficientes3[, 3],
  p_value = format.pval(coeficientes3[, 4], digits = 4, eps = 1e-5),
  AIC= round(AIC(modelo_logistico3))
)

rownames(resultados) <- rownames(coeficientes3)

resultados %>%
  kable(caption = "Resumen del Modelo Logístico (Ideología, Voto en Elecciones Generales 2021, Área y variables de control)", digits = 4) %>%
  kableExtra::kable_styling(full_width = FALSE, position = "center") %>%
  kableExtra::kable_classic()
```


5. Análisis factorial {data-icon="fa-solid fa-layer-group"}
===================================== 

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------

### Correlación de las variables de opinión

```{r}
data_sa<- dataperu %>%
  group_by(REGION) %>%
  
  summarise(
    OPI_EDU_p = mean(OPI_EDU, na.rm = TRUE),
    OPI_SAL_p= mean(OPI_SAL, na.rm = TRUE),
    OPI_AGUA_p = mean(OPI_AGUA, na.rm = TRUE),
    indice_satisfaccion = mean(c(OPI_EDU, OPI_SAL, OPI_AGUA), na.rm = TRUE))

data_cor <- data_sa %>%
  select(-REGION,-indice_satisfaccion)

data_cor[] <- lapply(data_cor, function(x) as.numeric(as.character(x)))


data_cor_clean <- data_cor[!apply(data_cor, 1, function(x) any(is.na(x) | is.infinite(x))), ]
```


```{r}
library(ggcorrplot)

library(polycor)
corMatrix <- cor(data_cor_clean, use = "complete.obs", method = "pearson")

ggcorrplot(corMatrix)
```

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------

### Resultado KMO

```{r}
psych::KMO(corMatrix) 
```

### Prueba de matriz de identidad y matriz singular.

Prueba de matriz de identidad:
```{r}
cortest.bartlett(corMatrix,n=nrow(data_cor_clean))$p.value>0.05
```

Prueba de matriz singular:

```{r}
is.singular.matrix(corMatrix)
```


### Cantidad de factores recomendados

```{r}
fa.parallel(data_cor_clean, fa = 'fa',correct = T,plot = F)
```


### Resultados del EFA
```{r, include=FALSE}
fa_result <- fa(data_cor_clean, nfactors = 1, fm = "minres")

as.data.frame(fa_result$scores)
```

```{r}
fa.diagram(fa_result,main = "Resultados del EFA")
```


### Tabla de correlación

```{r}
round(corMatrix,2)  %>%
  kable("html", escape = FALSE, align = "c") %>%
  kable_styling("striped", full_width = FALSE) %>%
  scroll_box(height = "200px", width = "100%")
```

6. Análisis conglomerado {data-icon="fa-solid fa-object-ungroup"}
===================================== 

Column {data-width=500} {.tabset}
-----------------------------------------------------------------------
```{r, include=FALSE}
library(psych)
psych::KMO(corMatrix)
fa_result <- fa(data_cor_clean, nfactors = 1, fm = "minres")

as.data.frame(fa_result$scores)

library(GPArotation)
resfa <- fa(data_cor_clean,
            nfactors = 1,
            cor = 'mixed',
            rotate = "varimax", #oblimin?
            fm="minres")
```


### Datos

```{r}
library(BBmisc)

data_sa[,c(2:4)]=normalize(data_sa[,c(2:4)],method='standardize')

boxplot(normalize(data_sa[,c(2:4)],method='standardize'))
```

```{r, include=FALSE}
cor(data_sa[,c(2:4)])
dataClus=data_sa[,c(2:4)]
row.names(dataClus)=data_sa$REGION
```

```{r, include=FALSE}
library(cluster)
g.dist = daisy(dataClus, metric="gower")
```

### N° de clusters PAM
```{r}
library(factoextra)
fviz_nbclust(dataClus, pam,diss=g.dist,method = "gap_stat",k.max = 10,verbose = F)
```

### N° clusters AGNES

```{r}
fviz_nbclust(dataClus,hcut,diss=g.dist,method = "gap_stat",k.max = 10,verbose = F,hc_func = "agnes")
```

### N° clusters DIANA
```{r}
fviz_nbclust(dataClus, hcut,diss=g.dist,method = "gap_stat",k.max = 10,verbose = F,hc_func = "diana")
```

Column {data-width=500} {.tabset}
-----------------------------------------------------------------------

### Orden clusters PAM

```{r}
library(kableExtra)
set.seed(123)
res.pam=pam(g.dist,2,cluster.only = F)

#nueva columna
dataClus$pam=res.pam$cluster

aggregate(.~ pam, data=dataClus,mean)
```

### Silhouette PAM

```{r}
fviz_silhouette(res.pam,print.summary = F)
```

### Orden clusters AGNES
```{r}
set.seed(123)
library(factoextra)

res.agnes<- hcut(g.dist, k = 2,hc_func='agnes',hc_method = "ward.D")

dataClus$agnes=res.agnes$cluster

aggregate(.~ agnes, data=dataClus,mean)
```

### Silhouette AGNES

```{r}
fviz_silhouette(res.agnes,print.summary = F)
```

### Orden clusters DIANA

```{r}
set.seed(123)
res.diana <- hcut(g.dist, k = 2,hc_func='diana')
dataClus$diana=res.diana$cluster

aggregate(.~ diana, data=dataClus,mean)
```

### Silhouette DIANA

```{r}
fviz_silhouette(res.diana,print.summary = F)
```

7. Conclusiones {data-icon="fa-solid fa-magnifying-glass"}
===================================== 

Row {data-width=400} 
-----------------------------------------------------------------------

### Porcentaje de personas que se identifican con tendencia política de izquierda

```{r}
gauge(63.1, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(40, 60), warning = c(21, 59), danger = c(0, 20)
))
```

### Porcentaje de personas que consideran que su situación económica ha empeorado

```{r}
gauge(61.76, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(0, 20), warning = c(21, 40), danger = c(40, 100)
))
```


### Porcentaje de personas no pertenecientes a Lima que presentan tendencia hacia la izquierda

```{r}
gauge(63.58, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(40, 60), warning = c(21, 59), danger = c(0, 20)
))
```


Row {data-width=400} 
-----------------------------------------------------------------------
### Porcentaje de mujeres que presentan tendencia hacia la derecha

```{r}
gauge(59.89, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(40, 60), warning = c(21, 59), danger = c(0, 20)
))
```

### Porcentaje de personas con mayores ingresos con tendencia hacia la izquierda

```{r}
gauge(38.88, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(40, 60), warning = c(21, 59), danger = c(0, 20)
))
```

### Porcentaje de personas con menores ingresos con tendencia hacia la izquierda

```{r}
gauge(67.57, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(0, 20), warning = c(21, 40), danger = c(40, 100)
))
```